论文部分内容阅读
睡意是伴随着体力疲劳或精神疲劳而出现的一种状态,睡意会大大降低人的警觉度、决策能力和记忆力。在车辆驾驶、内外科手术、远程监控调度和高空作业等比较危险和对精度要求较高的环境中,若作业人员出现睡意状态,将导致严重后果。因此,睡意状态的准确检测和实时估计具有重要的科研价值和迫切的现实需求。人体心电脉搏信号中蕴含着丰富的生理病理信息,这些信息随着身体状态的改变会相应地发生变化。本文以心电信号和脉搏信号为研究对象,分析42名受试者在平静清醒以及睡意两种状态下心电脉搏信号特性的变化,以期找到能反映睡意状态的客观指标。主要从以下几个方面进行研究:(1)数据采集。通过主观评定表选取符合条件的受试者,设计合理的睡意检测实验方案,利用MP150仪器和Acknowledge4.0数据采集软件同步采集人体心电、脉搏、脑电以及血氧饱和度信号。(2)数据预处理。采用零相位数字滤波器和椭圆带阻滤波器、整系数滤波器以及小波变换对采集的心电脉搏信号进行降噪比较,最后选择小波变换对信号进行降噪。(3)特征提取。分别从时域、频域、小波变换、复杂度等方面提取清醒和睡意状态下的心电脉搏信号特征。实验结果表明:与清醒状态相比,睡意状态下心电T波峰值、脉搏重搏波高度、脉搏波传输时间、0.5-7.8Hz心电信号小波能量、脉搏信号小波熵值以及脉搏信号14-18尺度熵均值等6种特征非常显著地降低(p<0.005);心率、心率变异性中的极低频(VLF)功率、心电信号小波包总能量、7.8-23.4Hz脉搏信号小波能量、23.4-31.25Hz脉搏信号小波能量、心电HRV信号14-18尺度熵均值,以及脉搏PRV信号14-18尺度熵均值等7种特征显著地降低(p<0.05);脉搏波起点到主波峰点的时间非常显著地增大(p<0.005)。(4)特征分类。首先对线性判别式(LDA)和支持向量机进行分析比较,由于本文中所提取的特征在低维空间中是线性不可分的,而LDA只能实现线性可分样本的准确分类,因此,应用LDA进行分类,识别精度受到影响。支持向量机可以将线性不可分样本投影到高维模式空间中,进而实现样本的准确分类。支持向量机的分类性能受到核函数和参数的影响,其中,惩罚因子c实现的是错分样本比例和算法复杂度的折中,c值越小算法复杂度越小;在达到相同分类精度的情况下,c值越小越好。通过对网格搜索法、遗传算法和粒子群优化法三种参数寻优方法进行比较,发现在相同条件下,网格搜索法寻得的惩罚因子c最小,且分类准确率最高。因此,采用网格搜索法结合交叉验证进行参数寻优,然后用寻得的最优参数训练支持向量机模型,实现睡意状态检测。